Accueil / Factory / Use cases / ATTRIBUTION MARKETING ATTRIBUTION MARKETING · ASSURANCE · 2 oct. 2026

Attribution marketing data-driven pour l'assurance auto en ligne

Un modèle d'attribution multi-touch remplace le dernier clic pour piloter les budgets acquisition assurance.

ATTRIBUTION MARKETINGASSURANCEComplexité : MOYENNEMise en production : 10 à 14 semaines

LE PROBLÈME

Un assureur qui vend en ligne de l'auto, de la santé et de la MRH pilote ses budgets d'acquisition avec une attribution au dernier clic. Comparateurs, SEA, affiliation, display et réseaux sociaux se partagent le crédit de conversion selon des règles arbitraires qui surpondèrent systématiquement les canaux de bas de tunnel comme le comparateur.

Le coût du statu quo se mesure en euros mal alloués. Le SEA de marque capte un budget disproportionné alors qu'il convertit des prospects déjà convaincus. Le display et le contenu de notoriété, qui amorcent le parcours de souscription, sont sous-investis car invisibles dans les rapports. Le cycle de décision assurance dure souvent plusieurs semaines avec de multiples points de contact, ce qui rend le dernier clic particulièrement trompeur.

LES DONNÉES

  • Logs de navigation et tracking tag (GA4 ou équivalent) par visiteur et parcours
  • Données publicitaires par canal : impressions, clics, coûts (Google Ads, Meta Ads, affiliation, comparateurs)
  • Historique de devis et de souscription issu du CRM assurance
  • Données CRM de contact offline (centre d'appels, agences, mailings)
  • Référentiel produits et segments clients (auto, santé, habitation, profil de risque)
  • Données de saisonnalité et campagnes promotionnelles

LES MÉTHODES

  • Chaînes de Markov absorbantes pour mesurer l'effet de suppression de chaque canal
  • Shapley value pour une attribution équitable multi-touch tenant compte des interactions
  • Modèle de mix media (MMM) en complément pour capter les effets hors tracking (TV, radio)
  • Géo-expérimentation en test and learn pour valider la causalité
  • Clustering des parcours clients pour identifier des séquences types de conversion

L'APPROCHE

La démarche part de la reconstruction des parcours multi-canaux par identifiant visiteur unifié, en résolvant les cas de cross-device via des règles probabilistes. Un modèle de Markov à chaînes absorbantes sert de première brique pour quantifier la contribution de chaque canal en mesurant son effet de suppression sur la probabilité de conversion.

En complément, un modèle Shapley value basé sur la théorie des jeux coopératifs attribue le crédit de façon équitable entre canaux, en tenant compte des interactions et de l'ordre des touches. Ces deux approches sont confrontées pour vérifier la robustesse des résultats avant intégration dans les tableaux de pilotage média.

Un test d'incrémentalité par géo-expérimentation (holdout sur certaines zones géographiques) vient valider les résultats du modèle statistique, car l'attribution seule ne prouve pas la causalité. Les budgets sont ensuite réalloués par itérations trimestrielles avec mesure d'impact.

MISE EN ŒUVRE

  1. Cadrage avec les équipes marketing et direction commerciale sur les objectifs et canaux prioritaires
  2. Audit et fiabilisation du tracking (tags, consentement, déduplication des identifiants)
  3. Construction du pipeline de données parcours dans BigQuery via dbt et Airflow
  4. Développement des modèles Markov et Shapley, comparaison et choix du modèle de référence
  5. Mise en place d'un pilote de géo-expérimentation sur un sous-ensemble de marchés
  6. Déploiement d'un tableau de bord Looker Studio pour le pilotage média récurrent
  7. Revue trimestrielle des allocations budgétaires et recalibrage du modèle

GAINS ATTENDUS

Si 15 à 25 % du budget média est aujourd'hui mal alloué au profit du dernier clic, une réallocation progressive vers les canaux de notoriété sous-évalués pourrait améliorer le ROAS global de quelques points en un à deux cycles budgétaires. Le gain réel dépend de l'élasticité réelle de chaque canal, mesurée par la géo-expérimentation, et non du seul modèle statistique.

KPIS À SUIVRE

  • Coût d'acquisition par canal corrigé de l'attribution multi-touch
  • Part de budget réallouée vers les canaux de haut de tunnel
  • Taux de conversion incrémental mesuré par géo-test
  • Retour sur investissement média global (ROAS corrigé)
  • Stabilité du modèle d'attribution dans le temps (drift des poids par canal)

LA STACK

  • BigQuery pour l'entrepôt de données parcours et campagnes
  • dbt pour la transformation et la documentation des modèles de données
  • Airflow pour l'orchestration des pipelines d'ingestion
  • Python (pandas, networkx, scipy) pour les modèles Markov et Shapley
  • Vertex AI pour l'industrialisation et le monitoring du modèle
  • Looker Studio pour le reporting média aux équipes marketing
  • Outil de tag management (GTM ou équivalent) pour la collecte conforme

RISQUES ET CONFORMITÉ

  • Conformité RGPD et consentement cookie : le tracking cross-device doit respecter le consentement explicite et limiter la durée de conservation des identifiants
  • Biais de modèle : les chaînes de Markov et Shapley surestiment la causalité à partir de simples corrélations de parcours, d'où la nécessité du test d'incrémentalité
  • Dérive du modèle : l'évolution des comportements d'achat (nouveaux canaux, changement de cookie policy) exige un recalibrage régulier
  • Explicabilité limitée côté direction commerciale : prévoir une restitution pédagogique des poids Shapley pour éviter le rejet du modèle
  • Dépendance à la qualité du tracking : toute dégradation du taux de matching fausse l'attribution sans que cela soit visible immédiatement

QUESTIONS FRÉQUENTES

Faut-il remplacer complètement notre outil d'attribution actuel ?

Non. Le modèle vient en complément du dernier clic pour corriger les décisions budgétaires majeures. L'outil existant reste utile pour le reporting opérationnel quotidien, le nouveau modèle sert au pilotage stratégique trimestriel.

Comment être sûr que le modèle ne se trompe pas sur les canaux à privilégier ?

La géo-expérimentation apporte une preuve causale indépendante du modèle statistique. Aucune réallocation majeure de budget ne devrait se faire sans cette validation terrain.

Quel est l'impact RGPD d'un tracking cross-device aussi poussé ?

Le projet doit s'appuyer uniquement sur des identifiants consentis et anonymisés dès que possible, avec une durée de conservation limitée et une analyse d'impact (PIA) documentée avant mise en production.

CE USE CASE CHEZ VOUS ?

Nous le cadrons, le construisons et le mettons en production. Ou nous formons vos équipes à le faire.

Parlons de votre projet →
← Tous les use cases